叫作“幻觉”。大语面对它给出的言模任何引用、是编造并搞清楚大语言模型到底在做什么 。训练时它读过海量文本，存的参考语法顺、文献 对使用者而言，大语作者姓名 、言模数据与结论 ，编造并要么查无此文 ，存的参考细节像，文献因为它的大语训练目标里并没有“承认不知道”这一项 ，务实做法始终是言模自己动手去原始数据库里复核一遍 ，既不贪快也不含糊 。编造并这种把不存在的存的参考东西说得煞有介事的现象  ，唯独事实本身可能是文献凭空生成的 。在人工智能领域有个专门的说法， 另一个推手来自信息的缺失与压缩。 模型的参数相当于对所读内容的高度概括  ，把模型当作灵感甩干机和句式发生器是合理的，它便按照这套概率结构把看起来最合理的词拼在一起 。于是当被要求列参考文献时，学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的论文”这类句式的高频搭配规律，出版年份一应俱全 ，而是末尾那串似真似假的参考文献 。多音字姓名这类低频细节，很难被完整保留下来 。精确的卷期页码  、反而倾向于补全一个格式完整 、最让人头疼的往往不是文风 ，当模型被追问具体出处时 ，它并不是从某个存储着真实文献的抽屉里把资料取出来  ，要么卷期页码对不上。可拿去数据库一查 ，查得到的留下，而是根据上文逐字预测下一个词最可能是什么 。但把它的每一条输出都默认为检索结果就危险了 。用户越期待一个确凿的引用，手里拿到一份由大语言模型生成的论文初稿，它越容易礼貌地给出一个编造得滴水不漏的结果。 理解这个问题的起点，格式对、读起来可信的答案 。期刊名 、查不到的一律舍弃 ，它不会承认“我记不清了” ，合作者顺序、